来源：感染医线
人工智能（Artificial intelligence，AI）正在广泛地影响疾病预防、诊断、治疗、随访和研究模式。在HIV/AIDS领域，也有研究将AI应用于高危人群筛查诊断的实施科学中，以提高筛查的效率和准确性。在近日举行的第九届亚太艾滋病与合并感染大会（APACC 2024）上报道了两项此类研究。《感染医线》特邀深圳市第三人民医院卢洪洲教授介绍和点评如下。
研究介绍
01
研究题目：
开发和评估一种由人工智能聊天机器人提供的在线实时咨询的HIV自我检测服务（HIVST-Chatbot）[1]
目的
旨在比较HIVST-Chatbot和HIVST-OIC在增加HIVST接受率和接受检测的HIVST用户接受咨询的比例方面的有效性。
方法
这是一项部分盲法（评估者和数据分析师盲法）的平行组、非劣效随机对照试验（RCT）。参与者是年龄在18岁以上、汉语为母语的活跃男男性行为者（MSM）。已诊断为HIV阳性则被排除在外。共有531名参与者通过多种渠道招募，并随机分配到HIVST-Chatbot组（n=266）或HIVST-OIC组（n=265）。
在HIVST-OIC组，参与者观看一般性宣传HIV检测和HIVST-OIC在线视频，选择其偏好的HIVST试剂盒（基于唾液或血液）和服务模式（全面版：实时的检测前和检测后咨询，或简化版：仅实时的检测后咨询）。在预约后，经验丰富的HIV检测管理员通过实时聊天应用实施HIVST-OIC。收到阳性结果的用户会立即获得心理支持并被联系到医疗服务。
在HIVST-Chatbot组，参与者观看了一般性宣传HIV检测和HIVST-Chatbot在线视频，并选择其偏好的HIVST试剂盒。参与者可以不受预约限制地让Chatbot实施他们偏好的服务模式（全面或简化）。Chatbot会提供标准化的检测前和/或检测后咨询。用户被要求通过回答多项选择题报告他们的结果，并上传检测结果的照片到一个安全的网页进行验证。对于收到阳性结果的用户，Chatbot会自动并立即通知指定的支持人员，后者会尽快跟进用户。
结果
大多数（56.9%）参与者年龄在35岁以下，大多数（84.0%）接受过高等教育，大多数（90%）自认为同性恋。在第6个月时，HIVST-Chatbot组有194名（72.9%）参与者，HIVST-OIC组有196名（74.0%）参与者在随访期间使用了某种类型的HIVST。两组之间在HIVST接受率的差异无显著统计学意义（P=0.79）。HIVST-Chatbot组接受咨询支持的HIVST用户比例显著高于HIVST-OIC组（93.3% vs 61.2%，P＜0.001）。在咨询类型方面，HIVST-Chatbot组中更多的HIVST用户接受了全面版咨询，而HIVST-OIC组则较少（35.9% vs 5.1%，P＜0.001）。
结论
HIVST-Chatbot对于香港的MSM HIVST用户来说是可行和可接受的，能够提供实时咨询支持。RCT证明HIVST-Chatbot在提高MSM人群中HIVST接受率方面不逊于HIVST-OIC。更多的HIVST用户在HIVST-Chatbot组中在接受HIVST的同时接受了咨询。
02
研究题目：
用于预测泰国年轻男男性行为者中HIV感染的机器学习算法[2]
背景
泰国在重点人群扩大HIV检测范围的实施中表明，男男性行为者（MSM）的新增HIV感染者数量呈上升趋势。本研究旨在开发机器学习（ML）模型来预测HIV感染，并通过泰国的全民健康保险计划（UHC），评估年轻MSM在诊断时的相关因素。
方法
纳入2015年至2022年通过UHC计划进行HIV检测的15至24岁的年轻MSM。数据库中根据UHC计划诊断为HIV阳性的感染被包括在内。风险因素包括年龄、HIV检测年份、常规HIV检测、地区、非职业性暴露后预防、HIV检测次数、囚犯身份以及有HIV感染性伴侣。我们将数据分为模型开发用的两组：训练数据（70%）和测试数据（30%），通过应用合成少数类过采样技术来解决数据集中的不平衡问题。建立了包括K-最近邻（KNN）、随机森林（RF）和极端梯度提升（XGB）在内的ML模型来预测HIV感染。模型性能使用准确率、精确度、敏感性、特异性和曲线下面积（AUC）进行评估。特征选择基于来自表现最佳的ML模型的特征重要性（FI）得分。多变量逻辑回归用于根据FI得分排名来研究与HIV感染相关的因素。
结果
共有146 813名年轻MSM被纳入研究，其中11%被诊断出HIV感染。HIV检测时的中位年龄为20岁，74%进行了常规HIV检测（定义为每年检测次数≥1.5次/年）。大多数（26%）年轻MSM来自泰国东北地区，其次是北部地区（21%）和曼谷（15%）。在开发了特征选择的ML之后，XGB模型显示出预测HIV感染的最高性能，分别为72%的准确率、88%的精确度、73%的敏感性、72%的特异性和72%的AUC。XGB算法根据FI得分将常规接受检测（27.8%）、HIV检测年份（26.3%）和HIV检测时的年龄（18.4%）列为最重要的三个预测因子。在多变量模型中，20-24岁与15-20岁的MSM相比，HIV检测呈阳性的风险更高（aOR 2.63，95%CI：2.53-2.74）。接受常规检测的年轻MSM比没有接受常规检测的人更有可能HIV检测呈阳性（aOR 3.23，95%CI：2.99-3.49）。此外，在2015-2017年（aOR 6.31，95%CI：6.01-6.63）和2018-2020年（aOR 2.51，95%CI：2.41-2.62）期间接受HIV检测的年轻MSM与2021-2022年相比，HIV感染的概率更高。有HIV感染性伴侣的年轻MSM面临更高的HIV感染风险（aOR 6.10，95%CI：4.23-8.80）。
结论
XGB机器学习算法有效地识别了泰国年轻MSM中HIV感染的重要预测因子。局限性包括缺少PrEP数据或性行为信息，这可能会影响HIV诊断。这些发现支持通过UHC计划在泰国扩大HIV检测，以监测社区HIV风险潜力。
专家点评
人工智能（Artificial intelligence，AI）正在广泛地影响疾病预防、诊断、治疗、随访和研究模式，尤其是疫情大流行期间，AI在多种公共卫生和医学应用场景中发挥了巨大的作用。我们团队和钟南山院士团队一项发表于NSR的研究，正是在流行病学、病毒学基础上，利用临床大数据和人工智能的影像学分析方法，研究德尔塔感染者出院后病毒RNA间歇性阳性的特征[3]。国内外也有不少机构利用AI在海量的分子药物中遴选出具有新冠治疗潜力的药物，进一步进行改构优化或者临床研究验证[4]。
AI在感染性疾病的防治领域还有很多应用场景，包括在终结HIV/AIDS流行的行动中，也可带来更加高效的实施策略。此次APACC大会报道的两项研究正是此类应用场景的典型案例。第一项来自我国香港的研究[1]采用基于人机对话的、在线实时咨询的HIV自我检测服务（HIVST-Chatbot），能够达到与传统检测服务（HIVST-OIC）相似的接受度，但HIVST-Chatbot显示更高的咨询比例和更高的全面咨询比例，这将有助于提高MSM高危人群的自我检测意识和检测比例。另一项来自泰国的研究[2]，开发了一种机器学习算法来识别MSM人群中HIV感染的高危因素，这样可以进一步精准定位HIV筛查的高危人群，乃至确定进行HIV暴露前或暴露后（PrEP/PEP）预防的人群画像。
人工智能的优势在于能够实现大规模人群进行短时高效地筛查诊断、治疗随访等干预，在资源有限的地区可以节约大量的人力、物力，已有国家声称在特殊时期使用AI来识别高危人群、增加HIV筛查和支持，以及药物治疗等方面[5]。尽管人工智能已在少数艾滋病预防干预领域得到应用，但仍需解决一些挑战并探索更多机遇。有学者强调“要谨慎拥抱AI，避免增加偏见和健康不平等，尤其要重视对数据模型的解释以及数据隐私和安全性的保护”[6]。我国医学人工智能、大数据等方面的研究正在如火如荼地开展中，尤其是互联网活跃用户非常多，如何准确、科学、合理地应用好这些数据，为进一步完善HIV/AIDS防治策略，是值得公卫专家和临床专家探讨研究的新课题。充分得当地应用好AI这个工具，或将加速我们终结艾滋病流行，早日实现WHO三个“95%目标”。
